Gongsun largo
Introducción: El reemplazo táctil (SS) es la utilización de una metodología tangible para proporcionar datos naturales que normalmente son recopilados por otro sentido, conservando al mismo tiempo elementos clave del primer sentido.
Objetivo: Esta encuesta escrita ordenada y meta-examen resume y combina evidencia e información actual para evaluar la viabilidad del entrenamiento mejorado SS para desarrollar aún más el equilibrio, el paso y el rendimiento funcional en poblaciones de pacientes neurológicos.
Métodos: Se realizó una búsqueda sistemática de artículos en Cochrane Library, PubMed, Web of Science y ScienceDirect. Se incorporaron ensayos controlados aleatorizados (ECA) para utilizar una intercesión de entrenamiento SS.
Resultados: Se incorporaron nueve RCT. Las medidas de resultados/modelos de preparación ideales se organizaron según la estructura de equilibrio de Shumway-Cook y Woollacott: estado consistente estático, estado consistente dinámico y equilibrio proactivo. Los metaanálisis revelaron efectos generales críticos del entrenamiento SS para cada uno de los tres resultados, así como los resultados de autoevaluación y límite funcional, y se encontró que el equilibrio del estado consistente dinámico y la capacidad de los supervivientes de un accidente cerebrovascular para soportar el peso corporal de forma autónoma en la parte inferior del apéndice parético tuvieron los mayores impactos medibles y clínicos. Los metaanálisis también revelaron efectos de mantenimiento no críticos.
Conclusión: Esta encuesta proporciona evidencia de un resultado beneficioso a nivel mundial del entrenamiento SS en el trabajo sobre el estado estático constante, el estado dinámico constante y las medidas de equilibrio proactivo, así como las proporciones de autoevaluación y límite funcional en poblaciones de pacientes neurológicos. El mantenimiento de los impactos no fue grande en las evaluaciones de seguimiento, aunque ninguna mediación cumplió con las recomendaciones de las medidas de entrenamiento. La investigación futura debe considerar factores como la población de pacientes específica, el tipo de sensor y las modalidades de entrenamiento para identificar en conjunto el mejor tipo de modelos ideales de entrenamiento.
Comparte este artículo